一种实时纸币识别方法的研究

纸币清分是银行的一项重要业务，目前人民币的机器清分技术还是我国的一项空白．提出了一种用于高速纸币清分机的实时人民币识别方法，该方法提取了纸币图像的方向块特征，将人民币的长度和宽度作为识别特征，采用了改进的Kohonen网络设计了识别分类器．实验结果表明，提出的方法取得了较高的识别率，并且满足了实时性的要求，并且已经在一个实际的系统中得到应用．     

基于一维傅里叶变换特征提取的纸币识别

纸币识别系统包括纸币图像采集、图像预处理、特征提取及分类器设计等几个步骤。其中特征提取的有效性直接影响到整个系统的识别效果,是至关重要的环节。本文针对不同面值长宽、图案相近的纸币,提出一种局部区域一维傅里叶变换特征提取的新方法。实验结果表明,该方法取得了很高的识别率,有较大的实际应用价值。     

美元清分机识别系统设计与实现

提出了在纸币高速运行条件下对纸币图像进行快速可靠的识别和系统实现方法。清分机是一种自动纸币整理机具。纸币图像分析技术是清分机的核心技术。该系统是光机电一体化的设备,其硬件部分包括线阵图像传感器、信号采集控制器、数字信号处理器。硬件平台捕获高速运行的美元图像后,由信号处理算法完成美元图像的定位、几何校正、特征提取以及图像分析运算,使用BP神经网络完成图像识别。该系统在实际应用中取得了良好的效果。美元处理系统的速度可达800张/min,拒识率小于0.01%。     

基于退化四元小波变换的纸币识别

针对如何提取纸币图像特征和提高识别率的问题,综合利用退化四元小波变换具有的相位特性,提出一种基于退化四元小波变换的纸币识别方法.该方法首先对采集的纸币图像进行倾斜校正和边缘检测,然后运用退化四元小波对纸币图像进行分解操作,并对分解系数进行统计分析,将每个分解子带系数的能量和标准差作为该纸币图像的特征向量,最后将支持向量机作为分类器对纸币图像进行识别.本文方法在资源约束的嵌入式清分系统上实现,实验结果表明采用本文提出的算法突破了传统纸币识别系统识别率很难再提高的瓶颈,同时能够满足清分系统的实时性要求.     

一种基于边缘特征的纸币污损检测方法

污损检测是纸币清分中的一个重要环节 .针对纸币上常见的笔迹及撕裂污损,提出了一种基于图像边缘特征的检测方法 .首先将待检测图像与参考图像进行图像配准,然后采用Kirsch算子提取两图像的边缘信息,并提出了一种符合人的主观感受的边缘强度差的计算方法,在此基础上提取的污损特征,对于图像中新增加的边缘信息十分敏感,而对各像素的灰度值、边缘强度值的相对变化则具有很强的抗干扰性 .将纸币划分为若干个相互重叠的子区域,通过对子区域内污损特征统计,来判定该子区域内是否存在污损 .实验证明,该方法识别率高且稳定、可靠,满足实际要求 .该方法已应用到实际的纸币清分系统中 .     

纸币冠字号识别率改进算法

针对被污染纸币的冠字号的识别常见的几种干扰选择合适解决方法,并改进神经网络分类器,使用多层分类方法进行识别.现有的清分机和点钞机都能很好得识别八到十成新钱币的冠字号,然而,随着纸币流通不断做旧,清分机对纸币冠字号的识别明显下降,其中磨损、汗渍、折痕等是对清分机的识别影响很大的因素.本文提出多种新颖的算法,能够很好的解决被污染纸币的冠字号识别问题,并使用多层神经网络判别树架构,有效得提高了纸币识别率和容错率,最终实验结果表明,本算法能获得98.3％的识别率.     

基于无抽样小波变换和MCE训练的纹理分类

提出了一种新的纹理分类的方法,该方法把基于无抽样小波变换的特征提取器和基于欧几里得距离的分类器进行了合并。把方差、偏态系数、峰态系数、三者的联合及谱直方图作为描述纹理图像不相重叠的图像窗的特征。一个使用线性转换矩阵的特征提取器对分类导向的特征做进一步的提取。利用基于欧几里得距离的分类器,每个纹理图像不相重叠的图像窗被确定到属于它的那一类。基于最小分类错误训练方法的特征提取器和分类器设计的合并使分类错误达到了最小化。使用该方法对25类BrodTex纹理图像进行了评估,分类精确度达到90%以上。     

基于灰度投影的快速纸币图像几何校正

纸币图像的几何校正是纸币清分机的一项关键技术,实际应用中要求其算法简洁、快速、准确。提出了一种通过灰度投影来进行快速纸币图像几何校正的算法。首先通过计算整幅及部分纸币图像的灰度投影来得到纸币的倾斜角度,根据倾斜角度对图像进行倾斜校正;然后通过计算整幅图像的灰度投影来确定图像中纸币的边界位置,并将纸币区域分割出来。实验结果表明这种算法能够实现纸币图像的快速准确几何校正。     

基于分类器技术的白内障组织图像去噪方法

为实现根据视频图像等信息自动识别白内障组织及硬度,并对其进行智能分类的目的,提出了基于分类器技术的白内障组织图像去噪方法.对白内障图像去噪的关键在于区分白内障与正常组织和区分白内障硬度级别.这两个方面均涉及了图像特征提取和分类器方法.对图像特征提取,采取了颜色特征和纹理特征进行提取,并在这两种传统的特征上提出了一种新的图像特征提取方法.在分类器算法的选择上,采取了最近邻法和支持向量机的方法.以某医院提供的手术视频截图为例,对比了采用不同方法对白内障组织的识别率.     

基于半监督学习的JPEG图像通用隐写检测方法

目前,JPEG图像的通用隐写检测是基于监督学习的,其关键技术包括图像特征提取和分类器的设计.首次提出了运用半监督学习中的EM算法来进行分类器的设计,该方法利用大量未标记样本辅助少量有标记样本进行分类器的学习.针对经典的JPEG隐写方法:Outguess和F5,用监督学习与文中半监督学习方法进行实验对比,结果表明,在缺少大量标记样本的情况下,文中方法能得到较好的分类性能,从而提高了JPEG图像通用隐写检测方法的实用性.     

基于二叉树和Adaboost算法的纸币号码识别

运用一种快速弱分类器训练算法和高速缓存策略来加速Adaboost算法的训练。集成学习算法Adaboost能够精确构建二分类器,运用二叉树型结构快速灵活地将纸币号码识别转化为一系列的Adaboost二分类问题。实验结果证明, 快速Adaboost训练算法能加快训练速度,基于二叉树和Adaboost的纸币号码识别系统具有较好的识别率和处理速度,已经应用在点钞机、清分机和ATM中。     

基于GMM超向量的行为识别研究

通过对UCF11体育运动数据库提取SIFT和STIP特征,采用留一交叉验证法（LOOCV）,利用训练样本数据估算GMM参数以建立GMM—UBM,进一步通过MAP自适应算法得出GMM超向量。以GMM超向量作为输入特征训练SVM分类器在UCF11数据库上进行实际验证,实验证明该方法在行为识别方面具有较好的识别效果。     

基于SVM的多分类器融合算法在说话人识别中的应用

多分类器协同合作克服了单个分类器识别效果不理想,适用范围较窄或对使用环境要求较高的不足,并为研制更高性能的分类器,提供了解决问题的另一个途径.提出了一种基于SVM的多分类器说话人识别系统,该系统的识别框架基于多分类器的协同工作.该多分类器系统采用了ANN(artificial neural networks)、GMM(gaussian mixed model)分类器和子带结构分类器,参数选取包括MFCC(mel frequency cepstrum coefficient)、LPCC(linear prediction cepstrum coefficient).多分类器融合采用SVM方法.本系统在超短波信道(15 db)的实际应用中达到94%的识别率.     

Common vector approach and its combination with GMM for text-independent speaker recognition

In this paper, the common vector approach (CVA) is newly used for text-independent speaker recognition. The performance of CVA is compared with those of Fisher’s linear discriminant analysis (FLDA) and Gaussian mixture models (GMM). The recognition rates obtained for the TIMIT database indicate that CVA and GMM are superior to FLDA. However, while the recognition rates obtained from CVA and GMM are identical, CVA enjoys advantages in terms of processing power and memory requirement. In order to obtain better results than those achieved with GMM, a new method which is a combination of CVA and GMM is proposed in this paper.     

Speaker recognition using pyramid match kernel based support vector machines

Gaussian mixture model (GMM) based approaches have been commonly used for speaker recognition tasks. Methods for estimation of parameters of GMMs include the expectation-maximization method which is a non-discriminative learning based method. Discriminative classifier based approaches to speaker recognition include support vector machine (SVM) based classifiers using dynamic kernels such as generalized linear discriminant sequence kernel, probabilistic sequence kernel, GMM supervector kernel, GMM-UBM mean interval kernel (GUMI) and intermediate matching kernel. Recently, the pyramid match kernel (PMK) using grids in the feature space as histogram bins and vocabulary-guided PMK (VGPMK) using clusters in the feature space as histogram bins have been proposed for recognition of objects in an image represented as a set of local feature vectors. In PMK, a set of feature vectors is mapped onto a multi-resolution histogram pyramid. The kernel is computed between a pair of examples by comparing the pyramids using a weighted histogram intersection function at each level of pyramid. We propose to use the PMK-based SVM classifier for speaker identification and verification from the speech signal of an utterance represented as a set of local feature vectors. The main issue in building the PMK-based SVM classifier is construction of a pyramid of histograms. We first propose to form hard clusters, using k-means clustering method, with increasing number of clusters at different levels of pyramid to design the codebook-based PMK (CBPMK). Then we propose the GMM-based PMK (GMMPMK) that uses soft clustering. We compare the performance of the GMM-based approaches, and the PMK and other dynamic kernel SVM-based approaches to speaker identification and verification. The 2002 and 2003 NIST speaker recognition corpora are used in evaluation of different approaches to speaker identification and verification. Results of our studies show that the dynamic kernel SVM-based approaches give a significantly better performance than the state-of-the-art GMM-based approaches. For speaker recognition task, the GMMPMK-based SVM gives a performance that is better than that of SVMs using many other dynamic kernels and comparable to that of SVMs using state-of-the-art dynamic kernel, GUMI kernel. The storage requirements of the GMMPMK-based SVMs are less than that of SVMs using any other dynamic kernel.